論文の概要: Traceable Knowledge Graph Reasoning Enables LLM-Assisted Decision Support for Industrial VOCs in the Steel Industry
- arxiv url: http://arxiv.org/abs/2605.27071v1
- Date: Tue, 26 May 2026 14:21:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.216575
- Title: Traceable Knowledge Graph Reasoning Enables LLM-Assisted Decision Support for Industrial VOCs in the Steel Industry
- Title（参考訳）: トレーサブルな知識グラフ推論による鉄鋼産業用VOCのLCM支援型意思決定支援
- Abstract要約: Chat-ISVは知識グラフ(KG)の強化されたマルチエージェントQ&Aシステムで、キュレートされた鉄鋼産業VOCの文献コーパスを解析する。
断片化された環境工学の文献をトレース可能、クエリ可能、意思決定支援指向の知識に変換することで、Chat-ISVはスケーラブルな環境情報科学パラダイムを確立する。
- 参考スコア（独自算出の注目度）: 8.230004866661723
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Key knowledge for steel-industry volatile organic compounds (VOCs) governance is scattered across unstructured scientific literature, making it difficult to integrate process, pollutant, and control-technology evidence and increasing the risk of hallucination when general large language models (LLMs) answer low-frequency industrial questions. Here we developed Chat-ISV, a knowledge graph (KG) enhanced multi-agent Q&A system that parses a curated steel-industry VOCs literature corpus, constructs a Neo4j KG with 27180 nodes and 81779 semantic edges, and combines prompt-constrained extraction, chunk-centered topology optimization, multi-agent routing, source-backtracking retrieval, local literature retrieval, open-domain knowledge access, and interactive subgraph visualization. Benchmark tests and 400 expert blind evaluations showed that topology optimization reduced isolated nodes from 57% to 4.08% and that Chat-ISV achieved high factual reliability, with 96.93% precision, 72.63% recall, an F1-score of 0.830, and a mean score of 1.69/2.00. By converting fragmented environmental-engineering literature into traceable, queryable, and decision-support-oriented knowledge, Chat-ISV establishes a scalable environmental-informatics paradigm for reliable LLM deployment and intelligent pollution-control decision support in specialized industrial domains.
- Abstract（参考訳）: 鉄鋼系揮発性有機化合物(VOC)のガバナンスの鍵となる知識は、構造化されていない科学文献に散らばっており、プロセス、汚染物質、制御技術証拠の統合が困難であり、一般的な大規模言語モデル(LLM)が低頻度産業問題に答えると幻覚のリスクが増大する。
そこで我々は,知識グラフ(KG)を改良したマルチエージェントQ&AシステムであるChat-ISVを開発した。これは,硬化鋼製VOCの文献コーパスを解析し,27180ノードと81779セマンティックエッジを備えたNeo4j KGを構築し,プロンプト制約付き抽出,チャンク中心トポロジ最適化,マルチエージェントルーティング,ソースバックトラック検索,ローカル文献検索,オープンドメイン知識アクセス,インタラクティブサブグラフ可視化を組み合わせたものだ。
ベンチマークテストと400人の専門家によるブラインド評価の結果、トポロジー最適化により孤立ノードは57%から4.08%に減少し、Chat-ISVは96.93%の精度、72.63%のリコール、F1スコア0.830のスコア、平均スコア1.69/2.00の信頼性を得た。
断片化された環境工学の文献をトレース可能、クエリ可能、意思決定支援指向の知識に変換することで、Chat-ISVは、信頼性の高いLCMデプロイメントと、特殊産業領域におけるインテリジェントな汚染制御決定支援のためのスケーラブルな環境情報処理パラダイムを確立する。
関連論文リスト
- Generative artificial intelligence for reliable mechanistic reasoning for corrosion [0.0]
本研究は,腐食知識合成のためのドメイン適応検索拡張生成フレームワークを提案する。
3つのオープンウェイト言語モデルは、840の査読された論文から3,309人の専門家が検証した質問応答ペアに微調整されている。
検索の強化により、Token F1の利得は143-194%となり、システム忠実度は0.964、コンテキストリコールは0.988となった。
論文 参考訳（メタデータ） (2026-08-31T15:15:17Z) - Vision-Language Models for Analog Gauge Reading: An Empirical Study of Specialization, Transfer and Reliability [3.112410411428948]
本研究は,汎用視覚言語モデル(VLM)の特殊化,伝達,堅牢性,信頼性の体系的評価である。
Qwen2.5-VL-7B-インストラクトモデルは、ゼロショットプロンプト、インコンテキストラーニング(ICL)、および量子化低ランク適応(QLoRA)を用いたパラメータ効率の微調整を用いて評価される。
最高の微調整MPE値は、95%信頼区間(CI)が1.43-3.90%、圧力ゲージデータセットが2.61%、CIが1.66-3.80%、および4.4の合成データセットで2.39%である。
論文 参考訳（メタデータ） (2026-08-18T12:47:14Z) - Knowledge Synthesis Review Framework: Task-Level Benchmarking of LLM-Based Systems for Multi-Source Evidence Synthesis [0.0]
大規模言語モデル(LLM)は、この作業を加速するかもしれないが、レビューの認知的タスクに対する信頼性は依然として不確実である。
我々は,エビデンス合成をスクリーニング,抽出,解析,合成に分解する「知識合成レビュー(KSR)」を紹介した。
我々は、GPT-5, Claude Sonnet 4, Gemini 2.5 Pro, NotebookLMを、AI上の1,893文書コーパスから抽出した244文書のベンチマークサブセットで評価した。
論文 参考訳（メタデータ） (2026-08-13T02:41:14Z) - Helicase: Uncertainty-Guided Supply Chain Knowledge Graph Construction with Autonomous Multi-Agent LLMs [48.08345972608737]
textitHelicaseは、不確実性誘導サプライチェーン知識グラフ構築のための自律型マルチエージェントシステムである。
高レベルのサプライチェーンクエリを実行可能な調査計画に分解し、特別なWeb検索、推論、コーディングエージェントをコーディネートする。
その3層不確実性フレームワークは、動作、軌道、記憶層の不確実性を追跡し、構造的推論とキャリブレーションされた信頼性評価の両方を可能にする。
論文 参考訳（メタデータ） (2026-05-26T10:53:00Z) - IndustryAssetEQA: A Neurosymbolic Operational Intelligence System for Embodied Question Answering in Industrial Asset Maintenance [2.4078554988694183]
エピソードテレメトリ表現とフェールモード効果分析知識グラフ(FMEA-KG)を組み合わせたニューロシンボリックオペレーショナルインテリジェンスシステムであるIndustrialAssetEQAを提案する。
本研究では, 回転機械, ターボファンエンジン, 油圧システム, サイバー物理生産システムを含む4種類の産業資産について検討した。
IndustryAssetEQA は、構造的妥当性を最大 0.51 まで改善し、対実的精度を最大 0.47 まで改善し、説明的含意を 0.64 まで改善し、専門家評価の厳しい誇張を 28% から 2% に減らした。
論文 参考訳（メタデータ） (2026-04-25T21:11:41Z) - Domain Adaptation of Large Language Models for Polymer-Composite Additive Manufacturing Using Retrieval-Augmented Generation and Fine-Tuning [0.0]
汎用大規模言語モデル(LLM)は、専門技術領域で信頼性の高い応答を生成するのにしばしば苦労する。
本研究では,ファウンデーションLLMを添加性製造(AM)領域に適用するための戦略について検討する。
論文 参考訳（メタデータ） (2026-04-02T20:52:34Z) - An Industrial-Scale Retrieval-Augmented Generation Framework for Requirements Engineering: Empirical Evaluation with Automotive Manufacturing Data [0.5156484100374058]
Retrieval-augmented Generation (RAG) は知識集約的なタスクを約束するが、産業用REのRAGを評価する以前の研究は行われていない。
本稿では,産業要求自動化のためのRAGの総合的実証評価について,自動車製造文書を用いた総合評価を行った。
RAGは、完全なトレーサビリティを持つ98.2%の抽出精度を達成し、それぞれ24.4%、19.6%のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-03-20T22:05:08Z) - SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。
SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2026-01-14T04:42:19Z) - Knowledge Graph-Guided Multi-Agent Distillation for Reliable Industrial Question Answering with Datasets [1.0221654398821483]
産業質問応答システムは、汎用対話モデルよりも安全性と信頼性が要求される。
知識グラフ誘導型マルチエージェントシステム蒸留(KG-MASD)を提案する。
工業用QAデータセットの実験では、KG-MASDはベースラインの精度を2.4パーセントから20.1%改善している。
論文 参考訳（メタデータ） (2025-10-03T06:52:59Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - Robust Knowledge Editing via Explicit Reasoning Chains for Distractor-Resilient Multi-Hop QA [63.96040994220329]
Reason-KEは、4つの構造化されたステージファクト認識、関連性決定、選択的応用、そして1回のパスでイントラクタをフィルタする最終的な理由付けによって、事前訓練された大きな言語モデルを操る。
最大4つの無関係な事実を持つMQuAKE-CFで訓練されたReason-KEは、QAの精度を90.2%に高め、重い注意を払って6.3%低下し、回答が漏れたときは1%にしかならない。
論文 参考訳（メタデータ） (2025-09-01T13:37:42Z) - HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。
システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文 参考訳（メタデータ） (2025-08-01T20:30:42Z) - ESGenius: Benchmarking LLMs on Environmental, Social, and Governance (ESG) and Sustainability Knowledge [40.49917730563565]
ESGeniusは、環境、社会、ガバナンス(ESG)における大規模言語モデル(LLM)の熟練度の評価と向上のための総合的なベンチマークである。
ESGenius-QA (i) ESGenius-QA (i) ESGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-Corpus (i) ESGenius-Corpus (i) ESGenius-Corpusは231の基本的なフレームワーク、標準、レポート、レコメンデーションドキュメントを、7つの権威あるソースから収集した。
論文 参考訳（メタデータ） (2025-06-02T13:19:09Z) - GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。
GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
論文 参考訳（メタデータ） (2024-10-11T03:05:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。